手把手教你进行pip换源,让你的Python库下载嗖嗖的(系列二)

简介:

/1 前言/

今天我们来说说python的pip换源吧,这个换源,相对来说,还是比较重要的,能让自己少生好几次气的,哈哈哈!礼拜一的时候,小编发布了手把手教你进行pip换源,让你的Python库下载嗖嗖的(系列一),没有来得及上车的小伙伴,可以戳进去看看。

在上篇文章的留言处,我看到了一位名为hxw的大侠慷慨留言,详情如下图所示。
怀着学习之心,小编自己亲自去尝试,发现其提供的方法行之有效,现在整理出来分享给大家。hxw如果看到这篇文章的话,可以后台获取小编的微信,小编将给予一个红包聊表谢意。

/2 为什么要换源/

我相信小伙伴们一定也遇到跟我这样的问题,如下图所示。

没错,就是我们在pip安装东西的时候,有时候容易飘黄飘红,而且大多时候还慢。这个是因为我们去获取的包,是直接从国外拿的。

虽然有墙,但是为了我们的学习,仍然还是要留出一些正儿八经的网站的,但是仍然还是慢,毕竟太远了,咋办呢?国内的大神早都在国内搭建好了站点,和原网站的内容一模一样,我们只需要将我们的pip源指向国内就好了,我也是后悔知道的晚啊,害,踩了那么多的坑。那咱们废话不说,就直接开始吧~

/3 换源流程/

1)国内源列表
首先先列举一下国内那些站点,能用一般5个可用,其他我也没试过。

2)如何换源

网上很多关于换源的教程,大部分都是通过在C盘下的某个文件夹新建个什么文件,然后在复制一些东西进入。但是我感觉,还是有点麻烦,我们大Python要求的就是简洁,方便。这里使用了读者留言的方法,十分的简洁,详情如下。

我们只需要一个最简单的命令 ↓

pip config set global.index-url 源链接

就拿清华源来说,我们只需要执行 ↓

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple/

再来看看我们的速度,如下图所示:
源地址都变了,速度也杠杠的,怎么样,舒服吧?

/4 小结/

本文主要涉及两个点,其一是介绍了国内源列表,主要有5个,详情见正文;其二是例证了永久换源命令:

pip config set global.index-url 源链接

清华源示例

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple/

我们只需要记住这些,就OK了,各位要多多尝试噢!谢谢观看,谢谢支持!
相关文章
|
13天前
|
存储 缓存 JavaScript
python实战篇:利用request库打造自己的翻译接口
python实战篇:利用request库打造自己的翻译接口
26 1
python实战篇:利用request库打造自己的翻译接口
|
23天前
|
Web App开发 Python
在ModelScope中,你可以使用Python的浏览器自动化库
在ModelScope中,你可以使用Python的浏览器自动化库
15 2
|
28天前
|
数据格式 Python
如何使用Python的Pandas库进行数据透视图(melt/cast)操作?
Pandas的`melt()`和`pivot()`函数用于数据透视。基本步骤:导入pandas,创建DataFrame,然后使用这两个函数转换数据格式。示例代码展示了如何通过`melt()`转为长格式,再用`pivot()`恢复为宽格式。输入数据是包含'Name'和'Age'列的DataFrame,最终结果经过转换后呈现出不同的布局。
39 6
|
28天前
|
数据挖掘 数据处理 索引
如何使用Python的Pandas库进行数据筛选和过滤?
Pandas是Python数据分析的核心库,其DataFrame数据结构便于数据操作。筛选与过滤数据主要包括:导入pandas,创建DataFrame,通过布尔索引、`query()`或`loc[]`、`iloc[]`方法筛选。
|
29天前
|
数据处理 Python
如何使用Python的Pandas库进行数据排序和排名?
Pandas在Python中提供数据排序和排名功能。使用`sort_values()`进行排序,如`df.sort_values(by='A', ascending=False)`进行降序排序;用`rank()`进行排名,如`df['A'].rank(ascending=False)`进行降序排名。多列操作可传入列名列表,如`df.sort_values(by=['A', 'B'], ascending=[True, False])`。
23 6
|
29天前
|
机器学习/深度学习 存储 算法
Python中的NumPy库:数值计算与科学计算的基石
【2月更文挑战第29天】NumPy是Python科学计算的核心库,专注于高效处理大型多维数组和矩阵。其核心是ndarray对象,提供快速数组操作和数学运算,支持线性代数、随机数生成等功能。NumPy广泛应用于数据处理、科学计算和机器学习,简化了矩阵运算、统计分析和算法实现,是数据科学和AI领域的重要工具。
|
30天前
|
机器学习/深度学习 数据采集 测试技术
Dowhy,一个强大的Python库,做金融量化领域的可以尝试下!
Dowhy,一个强大的Python库,做金融量化领域的可以尝试下!
|
29天前
|
机器学习/深度学习 算法 Python
请解释Python中的支持向量机(SVM)以及如何使用Sklearn库实现它。
使用Python Scikit-learn实现支持向量机(SVM)涉及数据准备、选择模型(线性或非线性,搭配合适核函数)、训练、模型评估、参数调整和预测新数据。SVM通过最大化边界(margin)找到最优超平面,适用于分类和回归分析。
20 0
|
28天前
|
机器学习/深度学习 算法 数据挖掘
请解释Python中的决策树算法以及如何使用Sklearn库实现它。
决策树是监督学习算法,常用于分类和回归问题。Python的Sklearn库提供了决策树实现。以下是一步步创建决策树模型的简要步骤:导入所需库,加载数据集(如鸢尾花数据集),划分数据集为训练集和测试集,创建`DecisionTreeClassifier`,训练模型,预测测试集结果,最后通过`accuracy_score`评估模型性能。示例代码展示了这一过程。
|
29天前
|
机器学习/深度学习 数据可视化 数据处理
Python数据可视化:探索Matplotlib库的强大功能
本文将深入探讨Python中用于数据可视化的重要工具之一——Matplotlib库。通过介绍Matplotlib库的基本概念、常用功能和实际应用案例,帮助读者更好地了解如何利用Matplotlib创建各种吸引人的数据图表。

热门文章

最新文章